Question

我有一个名为my mydf的数据框。我想根据ASM列中给出的格式拆分GPM和FORMAT列中的内容并获取result。基本上，ASM和GPM列的列数将会多，因为FORMAT列中的总独特元素（即5个不同的唯一元素）由:分隔，以便在result中展开。然后需要在FORMAT列中指示的右侧列（.GT，.FT等）中放置正确的值。

 mydf <- structure(list(`#CHROM` = c(1L, 1L, 1L), POS = c(10490L, 10493L, 
10494L), FORMAT = c("GT:FT:GQ", "GT:PS:GL", "GT:PS:FT"), ASM = c("1/1:TRUE:4,2,333", 
"./.:.:.", "0/1:.:VQLOW"), GPM = c("./.:.:.", "1/1:4:2,233", 
"0/1:22:VQHIGH")), .Names = c("#CHROM", "POS", "FORMAT", "ASM", 
"GPM"), class = "data.frame", row.names = c(NA, -3L))

结果：

 result <- structure(list(`#CHROM` = c(1L, 1L, 1L), POS = c(10490L, 10493L, 
10494L), FORMAT = c("GT:FT:GQ", "GT:PS:GL", "GT:PS:FT"), ASM.GT = c("1/1", 
"./.", "0/1"), ASM.FT = c("TRUE", NA, "VQLOW"), ASM.GQ = c("4,2,333", 
NA, NA), ASM.PS = c(NA, NA, NA), ASM.GL = c(NA, NA, NA), GPM.GT = c("./.", 
"1/1", "0/1"), GPM.FT = c(NA, NA, "VQHIGH"), GPM.GQ = c(NA, NA, 
NA), GPM.PS = c(NA, 4L, 22L), GPM.GL = c(NA, 2233L, NA)), .Names = c("#CHROM", 
"POS", "FORMAT", "ASM.GT", "ASM.FT", "ASM.GQ", "ASM.PS", "ASM.GL", 
"GPM.GT", "GPM.FT", "GPM.GQ", "GPM.PS", "GPM.GL"), class = "data.frame", row.names = c(NA, 
-3L))

Answer 1

由于看起来要拆分的每个列中的值的数量相同，我们可以利用dcast in＆＃34; data.table＆＃34;处理多个value.var s。

分割可以通过我的＆＃34; splitstackshape＆＃34;中的cSplit来完成。封装

library(splitstackshape)
dcast(cSplit(mydf, c("FORMAT", "ASM", "GPM"), ":", "long"), 
      `#CHROM` + POS ~ FORMAT, value.var = c("ASM", "GPM"))
#    #CHROM   POS ASM_FT ASM_GL  ASM_GQ ASM_GT ASM_PS GPM_FT GPM_GL GPM_GQ GPM_GT GPM_PS
# 1:      1 10490   TRUE     NA 4,2,333    1/1     NA      .     NA      .    ./.     NA
# 2:      1 10493     NA      .      NA    ./.      .     NA  2,233     NA    1/1      4
# 3:      1 10494  VQLOW     NA      NA    0/1      . VQHIGH     NA     NA    0/1     22

请注意"#CHROM"是一个非常不友好的列名，因为#是注释字符。

如果您需要添加回＆＃34; FORMAT＆＃34;列，在[, FORMAT:= mydf$FORMAT][]上方的dcast末尾添加.。

我假设你可以从这里处理进一步的清理工作（例如，用NA替换unboxed并删除千位逗号分隔符。

如何根据R中另一列中的条件将列内容展开到新列中

1 个答案: